Trả lời nhanh: Data analyst (chuyên viên phân tích dữ liệu) là người thu thập, làm sạch và phân tích dữ liệu của doanh nghiệp để trả lời các câu hỏi kinh doanh cụ thể, như vì sao doanh thu giảm, rồi trình bày kết quả bằng báo cáo, dashboard và khuyến nghị hành động.
Điểm chính
- Data analyst chủ yếu trả lời hai câu hỏi: chuyện gì đã xảy ra và vì sao. Dự báo chuyên sâu thường là việc của data scientist.
- Bộ kỹ năng cốt lõi gồm SQL, Excel, một công cụ BI, thống kê, Python hoặc R và khả năng kể chuyện bằng dữ liệu.
- Phần lớn thời gian làm việc dành cho việc làm rõ câu hỏi và làm sạch dữ liệu, không phải dựng biểu đồ đẹp.
- Theo báo cáo lương IT 2025–2026 của ITviec, nhóm Data Analyst/Data Scientist/BI Analyst có lương trung vị 40,65 triệu đồng/tháng.
- AI đang tự động hoá phần viết truy vấn và dựng biểu đồ, nhưng chưa thay được việc đặt đúng câu hỏi và kiểm chứng kết quả.
Mục lục
- Data analyst là gì?
- Data analyst làm gì mỗi ngày?
- Quy trình phân tích dữ liệu gồm những bước nào?
- Ví dụ một bài toán phân tích: tỷ lệ chuyển đổi giảm có phải do website?
- Data analyst cần những kỹ năng gì?
- Data analyst khác data scientist, data engineer và business analyst thế nào?
- Lộ trình học để trở thành data analyst
- Có nên thi chứng chỉ data analyst không?
- Mức lương data analyst ở Việt Nam là bao nhiêu?
- AI ảnh hưởng thế nào đến nghề data analyst?
- Những sai lầm phổ biến khi phân tích dữ liệu
- Câu hỏi thường gặp
Data analyst là gì?
Data analyst là người biến dữ liệu thô thành câu trả lời mà người ra quyết định dùng được. Tiếng Việt thường gọi là chuyên viên phân tích dữ liệu hoặc nhà phân tích dữ liệu. Công việc xoay quanh một vòng lặp: nhận câu hỏi, lấy dữ liệu, làm sạch, phân tích, trình bày và theo dõi kết quả sau khi doanh nghiệp hành động.
Khi tìm hiểu data analyst là gì, bạn sẽ gặp ba thuật ngữ gần nhau. Data analysis (phân tích dữ liệu) là hoạt động. Data analytics là cả lĩnh vực, gồm con người, quy trình và công cụ. Data analyst là người làm nghề.
Gartner chia phân tích dữ liệu thành bốn loại, mỗi loại trả lời một câu hỏi:
| Loại phân tích | Câu hỏi trả lời | Ai thường làm |
|---|---|---|
| Mô tả (descriptive) | Chuyện gì đã xảy ra, đang xảy ra? | Data analyst, BI analyst |
| Chẩn đoán (diagnostic) | Vì sao chuyện đó xảy ra? | Data analyst |
| Dự đoán (predictive) | Điều gì có khả năng xảy ra? | Data scientist, data analyst có nền thống kê tốt |
| Đề xuất (prescriptive) | Nên làm gì để đạt kết quả mong muốn? | Data scientist, nhóm vận trù, quản lý |
Data analyst mạnh nhất ở hai loại đầu. Ở nhiều công ty, họ làm cả dự báo đơn giản như dự báo doanh số theo mùa vụ, nhưng mô hình phức tạp thường thuộc về nhóm khoa học dữ liệu.
Ví dụ dễ hiểu
Giám đốc kinh doanh hỏi: “Vì sao doanh thu quý này ở miền Trung giảm?”. Data analyst không đoán. Họ tách doanh thu theo sản phẩm, đại lý, tháng và nhóm khách hàng. Họ phát hiện doanh thu giảm gần như hoàn toàn ở hai đại lý ngừng nhập một dòng sản phẩm từ tháng thứ hai. Kết quả là một trang tóm tắt, ba biểu đồ và một đề xuất: làm việc lại với hai đại lý đó trước khi chạy khuyến mãi toàn vùng.
Data analyst làm gì mỗi ngày?
Mô tả công việc khác nhau theo công ty, nhưng phần lớn tin tuyển dụng xoay quanh các nhiệm vụ sau:
- Làm rõ yêu cầu: trao đổi với phòng ban để biết họ thật sự cần quyết định điều gì, chỉ số nào đo được điều đó.
- Truy xuất dữ liệu: viết truy vấn SQL lấy dữ liệu từ kho dữ liệu, CRM, ERP, hệ thống bán hàng, công cụ đo lường website.
- Làm sạch và chuẩn hoá: xử lý bản ghi trùng, giá trị thiếu, sai định dạng ngày, mã khách hàng không khớp giữa hai hệ thống.
- Phân tích: so sánh theo thời gian, chia nhóm khách hàng, phân tích phễu chuyển đổi, phân tích cohort (nhóm khách theo tháng bắt đầu mua), đánh giá thử nghiệm A/B.
- Báo cáo và dashboard: dựng và bảo trì bảng điều khiển theo dõi KPI cho từng phòng ban.
- Trình bày và đề xuất: viết tóm tắt, thuyết trình kết quả, trả lời câu hỏi phản biện.
- Giữ chất lượng số liệu: thống nhất định nghĩa chỉ số, ví dụ “khách hàng hoạt động” là mua trong 30 hay 90 ngày, để hai phòng ban không báo hai con số khác nhau.
Một ngày làm việc điển hình (ví dụ minh hoạ)
- Đầu ngày: kiểm tra dashboard doanh số; một chỉ số tụt bất thường, hoá ra do đường ống dữ liệu đêm qua chạy lỗi, báo nhóm kỹ thuật.
- Buổi sáng: họp với phòng marketing về chiến dịch tháng sau, thống nhất cách đo hiệu quả trước khi chạy.
- Buổi chiều: viết truy vấn, làm sạch dữ liệu và phân tích tỷ lệ khách quay lại theo kênh.
- Cuối ngày: gửi bản nháp kết quả kèm giả định và giới hạn của phân tích.
Data analyst làm việc ở đâu?
Ở doanh nghiệp lớn, data analyst có thể nằm trong nhóm dữ liệu tập trung hoặc gắn với từng phòng ban. Vì vậy có nhiều chức danh biến thể: marketing analyst, sales analyst, financial analyst, product analyst, operations analyst, BI analyst. Các ngành tuyển nhiều gồm ngân hàng, bảo hiểm, thương mại điện tử, bán lẻ, viễn thông, logistics, sản xuất và công ty công nghệ.
Quy trình phân tích dữ liệu gồm những bước nào?
Dù tên gọi mỗi khoá học một khác, một bài phân tích tốt thường đi qua 6 bước.
Bước 1: Đặt câu hỏi đúng
Câu hỏi “phân tích giúp tôi dữ liệu bán hàng” quá rộng. Câu hỏi tốt có đối tượng, chỉ số và thời gian: “Tỷ lệ khách mua lần hai trong 60 ngày của khách đến từ quảng cáo có thấp hơn khách tự nhiên không?”. Hãy hỏi thêm: kết quả sẽ dẫn tới quyết định nào. Nếu không có quyết định nào, có thể không cần phân tích.
Bước 2: Thu thập dữ liệu
Data analyst lấy dữ liệu từ nhiều nơi. Ở doanh nghiệp đã có kho dữ liệu tập trung, việc này chủ yếu là viết SQL. Ở nơi chưa có, bạn sẽ phải ghép nhiều file Excel và bản xuất từ phần mềm. Khi dữ liệu có thông tin cá nhân như số điện thoại, email, chỉ lấy đúng trường cần cho câu hỏi.
Bước 3: Làm sạch dữ liệu
Đây là bước tốn thời gian nhất và quyết định độ tin cậy của mọi kết luận. Công việc gồm loại trùng, xử lý giá trị thiếu, chuẩn hoá tên tỉnh thành, đơn vị tiền, múi giờ, và kiểm tra giá trị vô lý như đơn hàng có số lượng âm. Nếu dữ liệu đi qua một đường ống ETL (trích xuất, biến đổi, nạp dữ liệu) được thiết kế tốt, phần lớn lỗi đã được chặn từ đầu.
Bước 4: Khám phá và phân tích
Bắt đầu bằng thống kê mô tả: trung bình, trung vị, phân phối, xu hướng theo thời gian. Sau đó chia nhỏ theo các chiều như kênh, vùng, nhóm khách để tìm nguồn gốc của thay đổi. Với câu hỏi “có khác biệt thật không”, dùng kiểm định thống kê thay vì nhìn bằng mắt.
Bước 5: Trực quan hoá và kể chuyện
Chọn biểu đồ theo mục đích: đường cho xu hướng, cột cho so sánh, phân tán cho quan hệ giữa hai biến. Mỗi báo cáo nên có một thông điệp chính đặt ngay đầu trang, phần chi tiết để sau.
Bước 6: Đề xuất và theo dõi
Kết quả phải kết thúc bằng khuyến nghị cụ thể và cách đo lại sau khi thực hiện. Nếu cùng một câu hỏi được hỏi mỗi tuần, hãy biến nó thành dashboard tự cập nhật thay vì làm tay.
Ví dụ một bài toán phân tích: tỷ lệ chuyển đổi giảm có phải do website?
Ví dụ minh hoạ với số liệu giả định. Một cửa hàng trực tuyến thấy tỷ lệ chuyển đổi (số đơn chia số lượt truy cập) giảm từ 3,0% tháng 8 xuống 2,4% tháng 9. Trưởng nhóm sản phẩm nghi trang thanh toán bị lỗi và muốn dừng bản cập nhật mới. Data analyst tách số liệu theo kênh:
| Kênh | Lượt truy cập tháng 8 | Đơn tháng 8 | Tỷ lệ tháng 8 | Lượt truy cập tháng 9 | Đơn tháng 9 | Tỷ lệ tháng 9 |
|---|---|---|---|---|---|---|
| Tìm kiếm tự nhiên | 60.000 | 2.400 | 4,0% | 50.000 | 2.000 | 4,0% |
| Quảng cáo mạng xã hội | 40.000 | 600 | 1,5% | 100.000 | 1.600 | 1,6% |
| Tổng | 100.000 | 3.000 | 3,0% | 150.000 | 3.600 | 2,4% |
Kết luận khác hẳn giả thuyết ban đầu:
- Tỷ lệ chuyển đổi của từng kênh không giảm, kênh mạng xã hội còn tăng nhẹ.
- Tổng số đơn tăng từ 3.000 lên 3.600.
- Tỷ lệ chung giảm vì cơ cấu lưu lượng thay đổi: kênh quảng cáo, vốn chuyển đổi thấp hơn, chiếm phần lớn lượt truy cập tháng 9.
Hiện tượng tỷ lệ tổng đi ngược tỷ lệ từng nhóm gọi là nghịch lý Simpson (Simpson’s paradox). Một trường hợp nổi tiếng là số liệu tuyển sinh sau đại học năm 1973 của Đại học California, Berkeley, được Bickel và cộng sự phân tích trên tạp chí Science năm 1975. Bài học: luôn chia nhỏ dữ liệu trước khi kết luận.
Đề xuất của data analyst trong ví dụ này: không dừng bản cập nhật trang thanh toán; câu hỏi tiếp theo nên là chi phí cho mỗi đơn từ quảng cáo có còn hợp lý, và giá trị đơn trung bình của hai kênh khác nhau thế nào.
Data analyst cần những kỹ năng gì?
SQL
SQL (Structured Query Language) là ngôn ngữ truy vấn cơ sở dữ liệu quan hệ và là kỹ năng nền tảng của nghề, vì phần lớn dữ liệu doanh nghiệp nằm trong cơ sở dữ liệu. Bạn cần thành thạo lọc, nối bảng (JOIN), gom nhóm (GROUP BY), truy vấn con, CTE và hàm cửa sổ (window function) để tính xếp hạng, lũy kế, so sánh kỳ trước.
Excel hoặc Google Sheets
Bảng tính vẫn là công cụ chung của mọi phòng ban. Cần nắm hàm tra cứu (XLOOKUP, INDEX/MATCH), bảng tổng hợp (PivotTable), Power Query để làm sạch, và cách dựng mô hình đơn giản cho phép người khác thay giả định.
Công cụ BI và trực quan hoá
Power BI, Tableau, Looker Studio là các công cụ phổ biến. Học sâu một công cụ là đủ để bắt đầu, vì tư duy mô hình dữ liệu, chỉ số và bố cục dashboard chuyển được sang công cụ khác. Bức tranh rộng về hệ thống báo cáo, kho dữ liệu và cách doanh nghiệp tổ chức business intelligence có trong bài riêng.
Thống kê
Data analyst cần thống kê mô tả (trung bình, trung vị, độ lệch chuẩn, phân vị), xác suất cơ bản, kiểm định giả thuyết, khoảng tin cậy, hồi quy tuyến tính và thiết kế thử nghiệm A/B. Quan trọng nhất là phân biệt tương quan với nhân quả.
Một minh chứng kinh điển: năm 1973, nhà thống kê Francis Anscombe công bố bốn bộ dữ liệu trên tạp chí The American Statistician. Bốn bộ có trung bình, phương sai, hệ số tương quan và đường hồi quy gần như giống hệt nhau, nhưng khi vẽ ra thì hình dạng hoàn toàn khác. Chỉ nhìn con số tổng hợp mà không vẽ biểu đồ có thể dẫn tới kết luận sai.
Python hoặc R
Khi dữ liệu vượt sức Excel hoặc cần lặp lại phân tích, bạn sẽ cần một ngôn ngữ lập trình. Python với thư viện pandas phổ biến trong doanh nghiệp. R mạnh về thống kê và được dùng nhiều trong nghiên cứu. Với data analyst, chỉ cần một trong hai, ở mức đọc, làm sạch, gộp, tính toán và vẽ biểu đồ.
Kể chuyện bằng dữ liệu
Kể chuyện bằng dữ liệu (data storytelling) là sắp xếp phát hiện thành một mạch người nghe hiểu và hành động được: bối cảnh, phát hiện chính, bằng chứng, khuyến nghị. Một mẹo hữu ích: viết thông điệp chính thành một câu trước khi dựng biểu đồ. Nếu không viết được câu đó, phân tích chưa xong.
Hiểu nghiệp vụ và kỹ năng mềm
Data analyst giỏi hiểu doanh nghiệp kiếm tiền thế nào, chỉ số nào quan trọng với từng phòng ban. Kèm theo là kỹ năng đặt câu hỏi, giải thích cho người không chuyên, quản lý kỳ vọng và tinh thần hoài nghi với chính kết quả của mình.
Hiểu quy định về dữ liệu cá nhân
Data analyst thường xuyên tiếp xúc dữ liệu khách hàng. Tại Việt Nam, Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 (ban hành 26/06/2025, hiệu lực 01/01/2026) và Nghị định 356/2025/NĐ-CP hướng dẫn luật này là khung pháp lý cần nắm. Thói quen tốt: chỉ lấy trường cần thiết, ẩn danh hoặc rút gọn thông tin định danh khi phân tích, không gửi dữ liệu khách hàng lên công cụ bên ngoài khi chưa được phép.
| Kỹ năng | Mức cần cho người mới | Cách luyện |
|---|---|---|
| SQL | JOIN, GROUP BY, CTE, hàm cửa sổ cơ bản | Giải bài tập truy vấn hằng ngày trên bộ dữ liệu mẫu |
| Excel/Sheets | Hàm tra cứu, PivotTable, Power Query | Làm lại một báo cáo thật ở công ty hoặc từ dữ liệu công khai |
| Công cụ BI | Mô hình dữ liệu, chỉ số, một dashboard hoàn chỉnh | Dựng dashboard cho một bộ dữ liệu bán hàng mẫu |
| Thống kê | Thống kê mô tả, kiểm định, A/B test | Phân tích lại một thử nghiệm và viết kết luận |
| Python hoặc R | Đọc, làm sạch, gộp, vẽ biểu đồ | Viết lại bằng code một phân tích từng làm trên Excel |
| Kể chuyện bằng dữ liệu | Một trang tóm tắt có thông điệp rõ | Trình bày kết quả cho người ngoài ngành và nhận góp ý |
Data analyst khác data scientist, data engineer và business analyst thế nào?
Bốn vai trò này cùng làm việc với dữ liệu nhưng đứng ở các vị trí khác nhau trên dòng chảy từ dữ liệu tới quyết định.
| Tiêu chí | Data analyst | Data scientist | Data engineer | Business analyst |
|---|---|---|---|---|
| Câu hỏi chính | Chuyện gì đã xảy ra, vì sao? | Điều gì sẽ xảy ra, nên làm gì? | Dữ liệu có đúng, đủ, đến kịp không? | Doanh nghiệp cần thay đổi gì, giải pháp nào? |
| Đầu ra điển hình | Báo cáo, dashboard, phân tích nguyên nhân | Mô hình dự báo, phân khúc, khuyến nghị tự động | Đường ống dữ liệu, kho dữ liệu, data lake | Tài liệu yêu cầu, quy trình, đặc tả giải pháp |
| Công cụ hay gặp | SQL, Excel, Power BI, Tableau, Python | Python, R, SQL, thư viện học máy | SQL, Python, Spark, công cụ điều phối, dịch vụ đám mây | Công cụ mô hình hoá quy trình, quản lý yêu cầu, Excel |
| Nền tảng mạnh | Thống kê ứng dụng, nghiệp vụ | Thống kê, toán, học máy, lập trình | Kỹ thuật phần mềm, cơ sở dữ liệu, hệ phân tán | Nghiệp vụ, phân tích yêu cầu, giao tiếp |
| Làm việc gần nhất với | Phòng ban kinh doanh, quản lý | Nhóm sản phẩm, nhóm dữ liệu | Nhóm kỹ thuật, data analyst, data scientist | Người dùng nghiệp vụ, nhóm phát triển phần mềm |
Data analyst và data scientist: ranh giới nằm ở độ sâu mô hình. Data scientist xây mô hình dự báo, thường dùng học máy, và đánh giá chúng một cách hệ thống. Nhiều người đi từ data analyst lên data scientist sau khi bổ sung toán và học máy. Phần quy trình, mảng kiến thức và ngành học của lĩnh vực này được giải thích trong bài khoa học dữ liệu.
Data analyst và data engineer: data engineer xây và vận hành đường ống, đảm bảo dữ liệu sạch và đúng hạn. Data analyst là người dùng chính của những đường ống đó. Khi dữ liệu lên tới hàng tỷ bản ghi hoặc đến theo thời gian thực, bài toán chuyển sang phạm vi dữ liệu lớn, nơi data engineer giữ vai trò trung tâm.
Data analyst và business analyst: theo Viện Phân tích Kinh doanh Quốc tế (IIBA), phân tích kinh doanh là hoạt động tạo ra thay đổi trong tổ chức bằng cách xác định nhu cầu và đề xuất giải pháp mang lại giá trị cho các bên liên quan. Business analyst dùng số liệu như một nguồn bằng chứng, nhưng đầu ra chính là yêu cầu và quy trình. Data analyst bắt đầu từ dữ liệu để trả lời câu hỏi. Ở công ty nhỏ, hai vai trò này hay được gộp.
Lộ trình học để trở thành data analyst
Không có con đường duy nhất. Người trái ngành vẫn vào nghề được nếu xây đủ kỹ năng và có sản phẩm chứng minh. Lộ trình gợi ý dưới đây sắp theo thứ tự phụ thuộc; thời gian mỗi giai đoạn tuỳ nền tảng và số giờ học mỗi tuần.
- Nền tảng bảng tính và thống kê mô tả. Thành thạo Excel hoặc Google Sheets, hiểu trung bình, trung vị, phân phối, phần trăm thay đổi.
- SQL. Học trên một cơ sở dữ liệu thật (PostgreSQL, MySQL hoặc SQLite), từ truy vấn đơn giản tới hàm cửa sổ.
- Một công cụ BI. Học mô hình dữ liệu dạng sao (bảng sự kiện và bảng chiều), viết chỉ số, dựng dashboard hoàn chỉnh.
- Thống kê suy luận và thử nghiệm. Kiểm định giả thuyết, khoảng tin cậy, cỡ mẫu, đọc kết quả A/B test.
- Python hoặc R. Dùng pandas (hoặc dplyr) để làm sạch, gộp và phân tích; vẽ biểu đồ bằng code.
- Kiến thức một ngành. Chọn ngành bạn muốn vào như bán lẻ, ngân hàng, logistics và học bộ chỉ số cốt lõi của ngành đó.
- Portfolio. Làm 3 dự án trọn vẹn, mỗi dự án đi đủ 6 bước ở trên, có câu hỏi, dữ liệu, code, dashboard và một trang kết luận.
Ý tưởng dự án portfolio: phân tích phễu bán hàng của một bộ dữ liệu thương mại điện tử mẫu; phân tích cohort khách quay lại; đánh giá một thử nghiệm A/B; dashboard theo dõi dữ liệu kinh tế công khai. Nhà tuyển dụng thường đánh giá cao cách bạn đặt câu hỏi và giải thích giới hạn hơn là số lượng biểu đồ.
Lưu ý cho người mới: đừng học dàn trải mười công cụ cùng lúc. SQL, một bảng tính, một công cụ BI và một ngôn ngữ lập trình là đủ để ứng tuyển vị trí fresher. Thời gian còn lại nên dành cho dự án thật.
Có nên thi chứng chỉ data analyst không?
Chứng chỉ không bắt buộc với nghề data analyst. Nó hữu ích khi bạn trái ngành và cần một lộ trình học có cấu trúc, hoặc khi nhà tuyển dụng dùng một công cụ cụ thể. Dưới đây là một số chứng chỉ phổ biến, thông tin lấy từ trang chính thức của đơn vị cấp tại thời điểm viết bài; bài viết không xếp hạng hay khuyến nghị chứng chỉ nào.
| Chứng chỉ | Đơn vị cấp | Nội dung chính | Thông tin cần biết |
|---|---|---|---|
| Google Data Analytics Professional Certificate | Google, học trên Coursera | Bảng tính, SQL, Tableau, R, Python, làm sạch và trình bày dữ liệu | 9 khoá; ước tính khoảng 6 tháng nếu học 10 giờ/tuần; không yêu cầu kinh nghiệm |
| IBM Data Analyst Professional Certificate | IBM, học trên Coursera | Excel, SQL, Python, IBM Cognos Analytics | 11 khoá; không yêu cầu kinh nghiệm trước |
| Microsoft Certified: Power BI Data Analyst Associate | Microsoft | Chuẩn bị, mô hình hoá, trực quan hoá dữ liệu và quản trị Power BI | Bài thi PL-300, 100 phút; phải gia hạn sau 12 tháng |
| Salesforce Certified Tableau Data Analyst | Salesforce (chủ sở hữu Tableau) | Tableau Desktop, Tableau Prep và Tableau Server hoặc Tableau Cloud | Mã bài thi Analytics-DA-201 |
| CompTIA Data+ | CompTIA | Khái niệm dữ liệu, thu thập, chuẩn bị, phân tích, trực quan hoá, quản trị dữ liệu | Phiên bản DA0-002 ra mắt 14/10/2025; khuyến nghị 18–24 tháng kinh nghiệm |
Hai nhóm này khác nhau: chứng chỉ khoá học (Google, IBM) đánh giá việc hoàn thành chương trình, còn chứng chỉ thi (Microsoft, Tableau, CompTIA) đánh giá qua bài thi có giám sát. Dù chọn loại nào, portfolio vẫn là bằng chứng thuyết phục nhất.
Mức lương data analyst ở Việt Nam là bao nhiêu?
Số liệu lương trên mạng rất chênh lệch và nhiều con số không ghi nguồn. Bài viết chỉ dùng khảo sát công khai có mô tả phương pháp.
Theo Báo cáo Lương và Thị trường Tuyển dụng IT Việt Nam 2025–2026 của ITviec, khảo sát trực tuyến 1.839 người (chuyên gia IT, freelancer, sinh viên IT, quản lý nhân sự và lãnh đạo doanh nghiệp) trong hai đợt từ 27/05 đến 31/07/2025 và từ 21/10 đến 11/11/2025:
| Nhóm vị trí | Lương trung vị chung | 1–2 năm kinh nghiệm | 5–8 năm kinh nghiệm |
|---|---|---|---|
| Data Analyst/Data Scientist/Business Intelligence Analyst | 40,65 triệu đồng/tháng | 23,8 triệu đồng/tháng | 42,5 triệu đồng/tháng |
| Data Engineer (để tham khảo) | 41,3 triệu đồng/tháng | Không công bố | Không công bố |
Cách đọc số liệu này cho đúng:
- Đây là mức trung vị, tức một nửa người trả lời có lương cao hơn và một nửa thấp hơn, không phải mức trung bình.
- Nhóm vị trí gộp cả data analyst, data scientist và BI analyst, nên mức chung có thể cao hơn lương riêng của data analyst.
- Các mốc kinh nghiệm khác (dưới 1 năm, 3–4 năm, trên 8 năm) không được báo cáo công bố cho nhóm này.
- Người tham gia là cộng đồng IT, nên số liệu phản ánh khu vực công ty công nghệ và có thể khác lương data analyst trong ngân hàng, bán lẻ hay sản xuất.
AI ảnh hưởng thế nào đến nghề data analyst?
AI đang thay đổi cách data analyst làm việc rõ hơn hầu hết nghề văn phòng khác, vì phần lớn công việc là thao tác trên dữ liệu số.
Những việc AI đã làm được
Các công cụ BI phổ biến đã tích hợp trợ lý AI. Theo tài liệu chính thức của Microsoft, Copilot trong Power BI có thể trả lời câu hỏi về dữ liệu, tóm tắt báo cáo, tạo trang báo cáo, viết truy vấn DAX và gợi ý cải thiện mô hình dữ liệu. Các mô hình AI tạo sinh cũng viết nháp SQL, code Python và giải thích kết quả bằng ngôn ngữ tự nhiên.
Những việc vẫn cần con người
- Đặt đúng câu hỏi và hiểu quyết định nào sẽ dựa vào kết quả.
- Hiểu ngữ cảnh dữ liệu: chỉ số này được định nghĩa thế nào, tháng nào hệ thống đổi cách ghi nhận, vì sao có khoảng trống.
- Kiểm chứng kết quả. Chính Microsoft lưu ý nếu mô hình dữ liệu chưa được chuẩn bị, Copilot có thể hiểu sai dữ liệu và trả về kết quả chung chung hoặc không chính xác.
- Chịu trách nhiệm và thuyết phục người ra quyết định.
Triển vọng nghề
Báo cáo Future of Jobs 2025 của Diễn đàn Kinh tế Thế giới (WEF), dự báo giai đoạn 2025–2030, xếp chuyên gia dữ liệu lớn (Big Data Specialist) dẫn đầu nhóm nghề tăng trưởng nhanh nhất, cùng kỹ sư FinTech và chuyên gia AI, học máy. Xu hướng thực tế là data analyst biết dùng AI sẽ làm nhanh hơn ở phần thao tác, và được kỳ vọng nhiều hơn ở phần tư duy nghiệp vụ.
Lưu ý bảo mật: đừng dán dữ liệu khách hàng hay số liệu nội bộ vào chatbot AI công cộng khi chưa có chính sách của công ty. Ưu tiên công cụ AI được doanh nghiệp phê duyệt, chạy trong môi trường có kiểm soát.
Những sai lầm phổ biến khi phân tích dữ liệu
- Nhầm tương quan với nhân quả. Hai chỉ số cùng tăng chưa chắc cái này gây ra cái kia; có thể cả hai cùng chịu tác động của mùa vụ.
- Chỉ nhìn con số tổng. Như ví dụ chuyển đổi ở trên, tỷ lệ chung có thể đi ngược tỷ lệ từng nhóm.
- Thiên lệch sống sót (survivorship bias). Chỉ phân tích khách đang hoạt động mà bỏ qua khách đã rời đi.
- So sánh khác mẫu số. Tháng có 31 ngày so với tháng có 28 ngày, hay tháng có Tết so với tháng không có.
- Dashboard quá nhiều chỉ số. Hai mươi biểu đồ trên một trang khiến không ai biết nên nhìn vào đâu.
- Không ghi giả định. Người đọc không biết dữ liệu đã loại những gì, nên không thể kiểm tra lại.
Câu hỏi thường gặp
Data analyst và chuyên viên phân tích dữ liệu có phải một nghề?
Có. Chuyên viên phân tích dữ liệu là cách gọi tiếng Việt của data analyst. Một số công ty dùng thêm chức danh theo mảng như BI analyst, marketing analyst hay product analyst.
Data analyst có cần giỏi toán không?
Cần nền tảng thống kê ứng dụng vững, nhưng không cần toán chuyên sâu như data scientist. Quan trọng hơn là hiểu khi nào một khác biệt có ý nghĩa và khi nào chỉ là ngẫu nhiên.
Không biết lập trình có làm data analyst được không?
Có thể bắt đầu với Excel và công cụ BI, nhưng SQL gần như bắt buộc. Python hoặc R giúp bạn xử lý dữ liệu lớn hơn và tự động hoá, nên là bước tiếp theo.
Data analyst nên học ngành gì?
Các ngành hay gặp là khoa học dữ liệu, thống kê, toán ứng dụng, hệ thống thông tin quản lý, kinh tế, tài chính và công nghệ thông tin. Nhiều người trái ngành chuyển sang thành công nhờ tự học và portfolio.
Học data analyst mất bao lâu?
Tuỳ nền tảng và thời gian học. Ví dụ, chương trình chứng chỉ Google Data Analytics ước tính khoảng 6 tháng nếu học 10 giờ mỗi tuần. Thời gian để đủ kinh nghiệm làm độc lập thường dài hơn và phụ thuộc vào dự án thực tế.
Data analyst intern thường làm gì?
Thực tập sinh thường làm sạch dữ liệu, cập nhật báo cáo định kỳ, viết truy vấn SQL đơn giản và hỗ trợ dựng dashboard dưới sự hướng dẫn của người có kinh nghiệm.
AI có thay thế data analyst không?
AI đang tự động hoá nhiều thao tác như viết truy vấn nháp, dựng biểu đồ, tóm tắt báo cáo. Phần đặt câu hỏi, hiểu ngữ cảnh, kiểm chứng và chịu trách nhiệm về kết luận vẫn cần con người, nên vai trò đang dịch chuyển hơn là biến mất.